python验证码识别接口及识别思路代码

时间：2021-06-06 17:11:05

1，验证码识别接口代码

import json

import base64

import requests

def shibie():

    data = {}

    path = "./img/"

    file_name = "a.jpg"

    with open(path + file_name, "rb") as f:

        data0 = f.read()

        data['image_base64'] = str(base64.b64encode(data0),'utf-8')

        data['app_id'] = 'qq'

        data['ocr_code'] = '0000'

    headers={'Content-Type':'application/json'}

    res = requests.post(url='https://nmd-ai.juxinli.com/ocr_captcha',headers=headers,data=json.dumps(data))

    res = res.json()

    return res['string']

2，验证码识别思路代码

import os

import pytesseract

from PIL import Image

from collections import defaultdict

# tesseract.exe所在的文件路径

pytesseract.pytesseract.tesseract_cmd = 'D:/Tesseract-OCR/tesseract.exe'

# 获取图片中像素点数量最多的像素

def get_threshold(image):

    pixel_dict = defaultdict(int)

    # 像素及该像素出现次数的字典

    rows, cols = image.size

    for i in range(rows):

        for j in range(cols):

            pixel = image.getpixel((i, j))

            pixel_dict[pixel] += 1

    count_max = max(pixel_dict.values())  # 获取像素出现出多的次数

    pixel_dict_reverse = {v: k for k, v in pixel_dict.items()}

    threshold = pixel_dict_reverse[count_max]  # 获取出现次数最多的像素点

    return threshold

# 按照阈值进行二值化处理

# threshold: 像素阈值

def get_bin_table(threshold):

    # 获取灰度转二值的映射table

    table = []

    for i in range(256):

        rate = 0.1  # 在threshold的适当范围内进行处理

        if threshold * (1 - rate) <= i <= threshold * (1 + rate):

            table.append(1)

        else:

            table.append(0)

    return table

# 去掉二值化处理后的图片中的噪声点

def cut_noise(image):

    rows, cols = image.size  # 图片的宽度和高度

    change_pos = []  # 记录噪声点位置

    # 遍历图片中的每个点，除掉边缘

    for i in range(1, rows - 1):

        for j in range(1, cols - 1):

            # pixel_set用来记录该店附近的黑色像素的数量

            pixel_set = []

            # 取该点的邻域为以该点为中心的九宫格

            for m in range(i - 1, i + 2):

                for n in range(j - 1, j + 2):

                    if image.getpixel((m, n)) != 1:  # 1为白色,0位黑色

                        pixel_set.append(image.getpixel((m, n)))

            # 如果该位置的九宫内的黑色数量小于等于4，则判断为噪声

            if len(pixel_set) <= 4:

                change_pos.append((i, j))

    # 对相应位置进行像素修改，将噪声处的像素置为1（白色）

    for pos in change_pos:

        image.putpixel(pos, 1)

    return image  # 返回修改后的图片

# 识别图片中的数字加字母

# 传入参数为图片路径，返回结果为：识别结果

def OCR_lmj(img_path):

    image = Image.open(img_path)  # 打开图片文件

    imgry = image.convert('L')  # 转化为灰度图

    # 获取图片中的出现次数最多的像素，即为该图片的背景

    max_pixel = get_threshold(imgry)

    # 将图片进行二值化处理

    table = get_bin_table(threshold=max_pixel)

    out = imgry.point(table, '1')

    # 去掉图片中的噪声（孤立点）

    out = cut_noise(out)

    # 保存图片

    # out.save('E://figures/img_gray.jpg')

    # 仅识别图片中的数字

    # text = pytesseract.image_to_string(out, config='digits')

    # 识别图片中的数字和字母

    text = pytesseract.image_to_string(out)

    # 去掉识别结果中的特殊字符

    exclude_char_list = ' .:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥—'

    text = ''.join([x for x in text if x not in exclude_char_list])

    return text

if __name__=='__main__':

    a = OCR_lmj('D:\\jd\\img\\2.jpg')

    print(a)

相关文章